具身智能从实验室走向产业前线
近日，在一场围绕物理AI（Physical AI）的高端对话中，宇树科技创始人王兴兴与英伟达创始人兼CEO黄仁勋分别就具身智能的发展阶段、技术瓶颈与产业前景发表看法。两人不约而同地将当前时点形容为“爆发前夕”：算法、算力与本体硬件的三重积累正在接近临界点，物理世界中的智能体有望在未来数年从演示走向规模化应用。这场对话被视为对下一阶段人工智能形态的一次重要定调——AI的竞争正从屏幕内的文本与图像，转向真实世界中的感知、决策与行动。
从数字智能到物理智能的范式迁移
黄仁勋在对话中反复强调，人工智能的上一阶段主要解决“理解与生成”问题，而物理AI要解决的是“在约束条件下行动”的问题。真实世界充满噪声、延迟与不确定性，机器人必须同时处理视觉、力觉、关节状态等多模态信息，并在毫秒级时间内完成决策。这意味着算力需求不再只是训练大模型时的集中式峰值，而是分布在边缘端的持续推理能力。王兴兴从本体角度补充，过去四足机器人和人形机器人受限于运动控制算法的泛化能力，很多动作依赖人工调参；而引入大规模强化学习与仿真训练后，机器人开始具备“自己学会走路”的能力，这正是物理AI落地的第一块基石。两人均认为，这一范式迁移的关键在于把数字世界训练出的策略迁移到物理实体上，并保持足够的鲁棒性。
仿真训练与真实数据之间的鸿沟
对话中，王兴兴坦言，当前具身智能最大的挑战并非硬件成本，而是数据。真实世界的高质量操作数据获取成本极高，且难以覆盖长尾场景。仿真环境可以低成本生成海量数据，但“仿真到现实”的落差仍然显著：摩擦系数、传感器噪声、材料形变等细微差异都可能导致策略失效。黄仁勋则从计算平台角度回应，认为仿真引擎与神经渲染技术的进步正在缩小这一鸿沟，域随机化和大规模并行仿真，机器人可以在虚拟环境中经历数百万次失败，再把学到的策略迁移到实体上。他同时指出，合成数据与真实数据的混合使用将成为主流路径，而算力基础设施的普及会让这一过程从少数实验室走向更多企业。王兴兴补充，宇树在实际产品迭代中采用“仿真预训练加真机微调”的路线，已能显著缩短新动作的开发周期。
人形机器人为何成为焦点形态
当话题转向产品形态，两人都认为人形机器人是物理AI最具想象力的载体，但理由各有侧重。黄仁勋从环境适配性出发，指出人类世界的基础设施——楼梯、门把手、工具、工位——都是按人体尺度设计的，人形形态能以最低的社会改造成本融入现有环境。王兴兴则从技术复用角度分析，人形机器人集成了双足运动、双臂操作与全身协调，是对运动控制和感知能力的综合考验，一旦突破，其技术栈可以降维复用到四足、轮式等多种形态。不过王兴兴也提醒，人形机器人不必追求外形上的完全拟人，功能上的可用性优先于形态上的逼真。两人一致认为，未来三到五年内，人形机器人将率先在工业巡检、物流搬运和科研教育等场景中形成商业闭环，而非直接进入家庭。
成本曲线与供应链的共振
物理AI的爆发离不开成本下降。王兴兴回顾了四足机器人价格从数十万元降至万元级的历程，认为人形机器人正在重复类似的曲线：关节电机、减速器、力矩传感器等核心部件的国产化与规模化生产，正在快速拉低整机成本。他预计，具备基础操作能力的人形机器人整机价格有望在未来几年进入普通企业可承受的区间。黄仁勋则从芯片与系统层面指出，边缘推理算力的能效比每年都在提升，专用化的机器人计算平台将取代通用GPU方案，进一步降低功耗与成本。两人都强调，成本下降不是单纯的价格战，而是供应链成熟度与设计标准化的结果；只有当本体、算力与软件形成协同迭代，物理AI才具备真正的产业爆发条件。
安全、伦理与规模化落地的前置条件
在展望爆发前景的同时，两人并未回避风险。黄仁勋提到，物理AI的失误代价远高于数字AI——一次错误的抓取或行走可能导致人身伤害或设备损坏，因此安全验证必须前置到设计与训练环节。仿真环境中的对抗测试、真实场景中的分级授权、以及人机协作时的急停与接管机制，都需要形成行业规范。王兴兴从工程实践出发，认为现阶段应明确机器人的能力边界，避免过度宣传导致用户预期错位；同时，数据隐私与责任归属问题在机器人进入公共空间后将更加突出。两人呼吁，产业界、标准组织与监管机构应同步推进技术落地与规则建设，为物理AI的规模化铺平道路。
爆发前夕的产业竞合图景
对话两人对竞争格局给出了各自判断。黄仁勋认为，物理AI不会由单一公司通吃，而是形成“算力平台、模型与算法、本体制造、场景应用”多层协作的生态，开放接口与标准化组件将加速整个链条的成熟。王兴兴则表示，中国企业在本体制造与供应链响应速度上具备优势，但在基础模型与高端传感器方面仍需持续投入；未来的竞争不是单点技术的比拼，而是迭代速度与工程化能力的较量。两人共同传递的信号是：物理AI的爆发并非某一项技术的突然突破，而是感知、决策、执行与成本多条曲线在同一时间窗口的交汇。当机器人开始在真实世界中稳定地完成有用工作，这场变革才算真正开始。